深度学习情感分类常用方法（综述）

论文原文：Deep Learning for Sentiment Analysis: A Survey

原文地址：https://arxiv.org/ftp/arxiv/papers/1801/1801.07883.pdf

（1）文档级情感分类：

主要方法如下图所示：

（2）语句级情感分类

Socher et al           semi-supervised Recursive Autoencoders Network (RAE) 得到了一个降维句子向量表示

Socher et al           Matrix-vector Recursive Neural Network (MVRNN) 每个词与树结构中的矩阵向量相关（树结构通过外部解析器获得）

Socher et al           Recursive Neural Tensor Network 基于张量的compositional functions可以更好地捕捉元素间的关系

Qian et al               ①Tag-guided Recursive Neural Network (TG-RNN) 根据语句的词性标注选择一个composition function

                             ②Tag-embedded Recursive Neural Network / Recursive Neural Tenser Network (TE-RNN/RNTN) 学习tag embeddings，然后将tag embeddings和word                                    emdeddings结合起来

Kalchbrenner et al   Dynamic CNN (called DCNN) 使用动态k-Maxpooling operator作为非线性二次采样

Kim                       CNN-rand： word embeddings随机初始化
　　　　　　　　　　CNN-static：word embeddings预训练并且固定

　　　　　　　　　　CNN-non-static：word embedding 预训练并且fine-tuned

　　　　　　　　　　CNN-multichannel：

Santos and Gatti     Character to Sentence CNN (CharSCNN)

Wang 　　　　　　   LSTM  模拟词语交互

Wang et al              CNN-LSTM

　　　　　　　　　　 a joint CNN and RNN architecture  短文本

Guggilla et al           LSTM- and CNN-based deep neural network model  （Word2vec and linguistic embeddings）

Huang et al             encode the syntactic knowledge (e.g., part-of-speech tags) in a treestructured LSTM to enhance phrase and sentence representation

Akhtar et al 　　　　several multi-layer perceptron based ensemble models for fine-gained
　　　　　　　　　　sentiment classification of financial microblogs and news.

（3）Aspect Level（特征级）情感分类

与文档级和语句级情感分类不同，特征级情感分类需要同时考虑情感信息和目标信息。这里的目标指的是实体或实体特征，简称为aspect。

在深度学习情感分类中，Aspect Level情感分类可分为三个任务：

①表示目标的语境词：可用文本表示方法解决

②生成目标表示：可用学习目标嵌入表示（与词嵌入类似）

③识别特定目标的重要情感语境词：可用注意力机制

eg: the screen of iPhone is clear but batter life is short.

‘clear'是'screen'的情感语境词，对于目标特征'screen'而言，则情感是积极的

‘short'是‘batter'的情感语境词，对于目标特征‘batter'而言，则情感是消极的

相关论文方法如下：